So klassifizieren Unternehmen KI-Anwendungen nach DSGVO und AI Act
KI einführen ist einfach. KI richtig bewerten ist die eigentliche Herausforderung.
ChatGPT, Microsoft Copilot, Claude, Gemini, Notion AI, eigene KI-Agenten oder lokal betriebene Sprachmodelle: In vielen Unternehmen entstehen derzeit neue KI-Anwendungen beinahe wöchentlich.
Doch die zentrale Frage lautet nicht:
„Welches KI-Tool wollen wir einsetzen?“
Sondern:
„Welche datenschutzrechtlichen und regulatorischen Anforderungen gelten für dieses KI-System?“
Genau hier scheitern viele Organisationen. Die Bewertung erfolgt häufig anhand von Produktnamen oder Herstellern statt anhand der tatsächlichen Architektur und Datenverarbeitung.
Um Unternehmen eine einheitliche und praxistaugliche Bewertungsmethode an die Hand zu geben, haben wir die 8-Felder-Matrix für KI-Systeme entwickelt. Sie ermöglicht eine strukturierte Einordnung von KI-Lösungen unter Berücksichtigung von DSGVO, AI Act und internationalen Datenflüssen.
Warum bestehende KI-Klassifizierungen oft nicht ausreichen
In der Praxis begegnen uns häufig Aussagen wie:
- „Wir nutzen ChatGPT.“
- „Wir haben Microsoft Copilot eingeführt.“
- „Wir entwickeln einen KI-Agenten.“
- „Wir verwenden Claude über die API.“
Solche Beschreibungen helfen jedoch kaum bei der rechtlichen Bewertung.
Denn aus Sicht von Datenschutz und AI Act sind unter anderem folgende Fragen entscheidend:
- Läuft das Modell lokal oder beim Anbieter?
- Handelt es sich um ein Modell oder um ein KI-System?
- Werden personenbezogene Daten verarbeitet?
- Liegt eine Drittlandübermittlung vor?
- Nutzen wir eine API oder eine SaaS-Lösung?
- Welche Rolle hat das Unternehmen nach dem AI Act?
Erst wenn diese Fragen beantwortet sind, lässt sich der tatsächliche Compliance-Aufwand bestimmen.
Die Grundidee der KI Matrix
Unsere Klassifizierung basiert auf zwei Achsen und drei zusätzlichen Prüfebenen (Overlays).
Achse 1: Was wird betrachtet?
Modell
Das eigentliche KI-Modell bzw. Large Language Model (LLM).
Beispiele:
- GPT-4o
- Claude
- Gemini
- Mistral
- Llama
Anwendung
Eine Software oder Plattform, die ein oder mehrere Modelle nutzt.
Beispiele:
- Copilot Studio Agent
- RAG-System
- Dokumentenassistent
- Bewerbungsanalyse
- Kundenchatbot
Diese Trennung ist wichtig, da der AI Act zwischen GPAI-Modellen und KI-Systemen unterscheidet.
Achse 2: Wo läuft die KI?
On-Premise (lokale Anwendung)
Betrieb auf eigener Infrastruktur mit lokalem Server und lokalem LLM
Self-hosted Cloud
- Eigene Instanz auf fremder Infrastruktur und lokalem Modellen (local LLM)
- Eigene Anwendung mit externem Modellen (API LLM)
- Komplette Anwendung beim Anbieter (SaaS)
Diese vier Betriebsmodelle bestimmen maßgeblich die datenschutzrechtlichen Anforderungen.
Die 8-Felder-Matrix
Die acht Felder im Überblick
Feld 1: Lokales LLM
Beispiel:
- Llama
- Mistral
- Qwen
auf eigener Hardware.
Die Daten verbleiben vollständig im Unternehmen. Dieses Modell eignet sich besonders für sensible Verarbeitungsszenarien.
Feld 2: Lokale KI-Anwendung
Beispiel:
- internes RAG-System
- Wissensdatenbank
- Dokumentenassistent
auf eigenen Servern.
Volle Kontrolle über Daten und Infrastruktur.
Feld 3: Eigenes Modell in einer Cloud-Umgebung
Beispiel:
- Llama auf Hetzner
- Llama auf STACKIT
- Modell auf Azure oder AWS-VM
Hier sind Auftragsverarbeitung und Hostingstandort besonders relevant.
Feld 4: Eigene KI-Anwendung in der Cloud
Beispiel:
- selbst entwickelte KI-Webanwendung
- KI-Plattform für Kunden
mit eigenem Hosting.
Zusätzlich müssen Datenbanken, Backups, Logs und Vektorspeicher bewertet werden.
Feld 5: Fremdes LLM per API
Beispiel:
- OpenAI API
- Anthropic API
- Google Gemini API
Hier stehen Drittlandübermittlungen, Trainingsnutzung und Datenhaltung im Fokus.
Feld 6: Eigene Anwendung + API-LLM
Dies repärsentiert den häufigste Praxisfall.
Beispiel:
- eigener KI-Agent
- Copilot Studio Agent
- eigenes RAG-System
mit OpenAI oder Claude API.
Hier sollte geprüft werden, welche Daten das Unternehmen verlassen und welche lokal verarbeitet werden können. Dazu ist eine explizite Konfiguration der jeweiligen Anwendungen entscheidend.
Feld 7: KI-SaaS-Anwendung
Beispiel:
- Microsoft Copilot
- ChatGPT Team
- Notion AI
- Jasper
- Fireflies
Der Nutzer hat die geringste Kontrolle über Datenflüsse und Subprozessoren. Deshalb sind Vertragsprüfung, AVV und Subprozessorlisten besonders wichtig.
Feld 8: Modell innerhalb eines SaaS-Dienstes
Hier ist das Modell Bestandteil der SaaS-Anwendung und wird faktisch über Feld 7 bewertet.
Die drei zusätzlichen Prüfebenen
Die Matrix allein reicht nicht aus. Deshalb werden drei Prüfschichten darübergelegt.
Overlay A: Drittlandzugriff
Entscheidend ist nicht nur der Sitz des Anbieters.
Zu prüfen sind unter anderem:
- Speicherort
- Inferenz
- Supportzugriffe
- Logdaten
- Trainingsnutzung
Besonders relevant sind US-Anbieter sowie internationale Datenflüsse.
Overlay B: Datenstufe
Stufe 0
Keine personenbezogenen Daten.
Stufe 1
Personenbezogene Daten.
Stufe 2a
Besondere Kategorien personenbezogener Daten nach Art. 9 DSGVO.
Stufe 2b
Berufsgeheimnisträgerdaten nach § 203 StGB, beispielsweise:
- Arztpraxen
- Kanzleien
- Steuerberater
- Psychotherapeuten
Diese Datenstufe verschiebt vertretbare Lösungen deutlich in Richtung lokaler oder europäischer Verarbeitungsmodelle.
Overlay C: Rolle nach AI Act
Die Rolle eines Unternehmens ergibt sich nicht aus dem Produktnamen, sondern aus dem tatsächlichen Einsatz.
Mögliche Rollen:
- Betreiber (Deployer)
- Anbieter (Provider)
- Betreiber eines GPAI-Modells
- Anbieter eines abgeleiteten GPAI-Modells
Diese Einordnung ist entscheidend für die AI-Act-Pflichten des Unternehmens.
Praxisbeispiele
Microsoft Copilot
Ein typischer Fall für:
Feld 7 – KI-SaaS-Anwendung.
ChatGPT Team oder Enterprise
Ebenfalls:
Feld 7 – KI-SaaS-Anwendung.
Eigener Agent in Copilot Studio
Bei Nutzung eines externen Modells per API:
Feld 6 – Eigene Anwendung + API-Modell.
Lokale KI mit Ollama
Feld 1 oder Feld 2, abhängig davon, ob nur das Modell oder eine vollständige Anwendung betrachtet wird.
Die wichtigste Erkenntnis
Viele Unternehmen beginnen die Diskussion mit der Frage:
Welches KI-Produkt sollen wir einsetzen?
Aus Compliance-Sicht sollte die Reihenfolge genau umgekehrt sein:
- Welche Daten werden verarbeitet?
- Welche Datenstufe liegt vor?
- Welche Rolle ergibt sich nach dem AI Act?
- Welche Betriebsform ist zulässig?
- Erst danach erfolgt die Produktauswahl.
Wer diesen Weg einschlägt, reduziert Compliance-Risiken erheblich und kann KI-Systeme deutlich schneller und sicherer einführen. Diese Logik entspricht dem grundlegenden Aufbau der Klassifikationsmatrix.
Kontaktformular WIEMER ARNDT
Fazit
Die Einführung von KI erfordert mehr als die Auswahl eines Tools. Unternehmen benötigen ein nachvollziehbares Verfahren, um Datenschutz, AI Act, Datenfluss, Hostingmodell und Rollenverständnis zusammenzuführen.
Unsere 8-Felder-Matrix schafft genau diese Struktur.
Sie hilft dabei,
- KI-Projekte schneller zu bewerten,
- Datenschutzrisiken frühzeitig zu erkennen,
- AI-Act-Pflichten systematisch abzuleiten,
- und fundierte Technologieentscheidungen zu treffen.
Denn am Ende sollte nicht die Technologie die Compliance bestimmen.
Sondern die Compliance die Technologieauswahl.
Sie möchten wissen, wie Ihre KI-Anwendungen nach DSGVO und AI Act einzustufen sind?
Als externe Datenschutzbeauftragte unterstützen wir Unternehmen bei:
- AI-Act-Klassifizierungen
- KI-Governance
- Datenschutz-Folgenabschätzungen (DSFA)
- Vendor Assessments
- KI-Richtlinien
- Mitarbeiterschulungen nach Art. 4 AI Act
- Einführung von Microsoft Copilot und KI-Agenten
